Implementasi Metode Weighted Product – Certainty Factor untuk Diagnosa Penyakit Malaria

  Vol. 2, No. 5, Mei 2018, hlm. 2158-2163 http://j-ptiik.ub.ac.id

  Implementasi Metode Weighted Product

• – Certainty Factor

  

untuk Diagnosa Penyakit Malaria

₁

_{2 3} Yayuk Wiwin Nur Fitriya , Nurul Hidayat , Marji

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya _{1 2 3} Email: yayukwiwinnurfitriya@gmail.com, ntayadih@ub.ac.id, marji@ub.ac.id

  

Abstrak

  Malaria adalah penyakit yang disebabkan oleh parasit plasmodium. Malaria menyebar melalui gigitan nyamuk yang sudah terinfeksi oleh parasit tersebut. Gejala malaria diantaranya sakit kepala, demam tinggi, diare, nadi cepat, nafas cepat, dan muntah-muntah. Malaria bahkan bisa mematikan karena menyebabkan kerusakan malaria-malaria, jantung, ginjal bahkan otak. Sehingga diperlukan aplikasi berbasis web untuk mendiagnosa penyakit malaria. Diharapkan aplikasi ini dapat membantu pengguna untuk mendapatkan diagnosa awal sebagai rujukan dokter. Parameter input pada sistem berdasarkan gejala yang ditimbulkan penyakit malaria. Data yang sudah dimasukkan pengguna kemudian diolah menggunakan algoritma Weight Product dan Certainty Factor untuk menghasilkan diagnosa awal jenis malaria yang mungkin diderita pengguna. Berdasarkan kasus uji yang telah dilakukan, didapatkan hasil pengujian tingkat akurasi rata-rata sebesar 84%. Nilai akurasi didapatkan dari 5 skenario pengujian dengan varian data yang berbeda yang mengindikasikan bahwa sistem telah bekerja dengan baik.

  Kata kunci: Malaria, Weighted Product, Certainty Factor

Abstract

  

Malaria is a disease caused by plasmodium parasites. Malaria is spread through mosquito bites that

have been infected by the parasite. Malaria symptoms include headaches, high fever, diarrhea, rapid

breathing,nausea and vomiting. Malaria can be deadly because it causes damage to heart, kidney and

brain damage. So we need a system application to diagnose malaria. It is expected this application can

help people or users to get an initial diagnosis as a doctor's referral. In this application the user selects

the yes or no buttons for the parameters of malaria symptoms. The data that the user entered is then

processed using an algorithm of weighted product and certainty factor to generate early diagnosis type

of malaria. In this method there are 22 criteria used and 4 types of malaria. Based on test cases the

results accuracy level obtained the test results of an average accuracy of 84%. Accuracy values are

derived from 5 test scenarios with different data variants indicating the application was works properly.

  Keywords: Malaria, Weighted Product, Certainty Factor

  ekonomi lemah. Oleh karena itu malaria 1.

   PENDAHULUAN d

  ipandang sebagai penyakit “rakyat”. Di Indonesia, sekitar 35 persen penduduknya

  Malaria adalah penyakit infeksi parasit yang tinggal di daerah berisiko terinfeksi malaria dan disebabkan oleh parasit plasmodium. Malaria dilaporkan sebanyak 38 ribu orang meninggal menyebar melalui gigitan nyamuk yang sudah per tahun karena malaria berat akibat terinfeksi oleh parasit tersebut

  Plasmodium falcimalariam . Wabah malaria

  (http://www.alodokter.com/malaria/penyebab, hampir terjadi setiap tahun di berbagai wilayah 2015). Istilah malaria diambil dari dua kata endemik Indonesia (Kementerian Kesehatan, bahasa italy yaitu mal (buruk) dan area (udara)

  2012). Kebutuhan informasi yang cepat dan atau udara buruk karena duhalu banyak terdapat tepat dari seorang pakar kesehatan atau dokter rawa-rawa yang mengeluarkan bau busuk. spesialis penyakit dalam sangat dibutuhkan

  Umumnya penderita ditemukan pada daerah- untuk membantu masyarakat dalam mengenali daerah terpencil dan mengancam status dan memberikan pencegahan terhadap penyakit kesehatan masyarakat dengan golongan malaria.Hal ini yang mendorong pembangunan

  Fakultas Ilmu Komputer Universitas Brawijaya

2158 sebuah diagnosa penyakit malaria untuk diwujudkan, karena gejala penyakit malaria selama ini hanya didiagnosa masyarakat awam berdasarkan ciri-ciri yang diketahui tanpa oleh fakta dan pertimbangan medis lainnya. Sehingga masyarakat atau penderita sulit membedakan penyakit malaria dengan penyakit demam atau influenza biasa pada umumnya.

  Pada penelitian sebelumnya yang dilakukan oleh (Rika Rosnelli, 2011) yang berjudul “Pengembangan Sistem Informasi Diagnosis Penyakit Tropis Menggunakan Algoritma Naive

  S : menyatakan preferensi alternatif yang dianalogikan sebagai vektor S x : menyatakan nilai kriteria w : menyatakan bobot kriteria i : menyatakan alternatif j : menyatakan kriteria n : menyatakan banyaknya kriteria

  [2.1] Keterangan

  W : Nilai bobot

  wj : nilai bobot ke j

  Setelah dilakukan perbaikan bobot, kemudian menentukan nilai vektor S dengan cara menjumlahkan nilai dari perkalian nilai kriteria dengan nilai perbaikan bobot. Formula perbaikan bobot yaitu sebagai berikut:

  = ∏ =1

  [2.2] Keterangan:

  Menentukan nilai perferensi didapatkan dari nilai dari vektor dibagi dengan jumlah dari jumlah vector

  Formula untuk menghitung perbaikan bobot:

  =

  1 1+ 2

  [2.3] Keterangan :

  V : menyatakan preferensi alternatif yang dianalogikan sebagai vektor V x : menyatakan nilai kriteria w : menyatakan bobot kriteria i : menyatakan alternatif j : menyatakan kriteria n : menyatakan banyaknya kriteria

  Rumus diatas digunakan untuk mencari nilai akhir dari perhitungan bobot.

  2.2 Metode Certainty Factor Certainty factor

  Wj = ∑ Wj

  penyelesaian dengan menggunakan perkalian untuk menghubungkan rating atribut, dimana rating harus dipangkatkan terlebih dahulu dengan bobot atribut yang bersangkutan. Proses ini sama halnya dengan proses normalisasi.

  Bayesian

  menghubungkan rating atribut, dimana rating setiap atribut harus dipangkatkan dulu dengan bobot yang bersangkutan. Proses ini sama halnya dengan proses normalisasi. Sedangkan Faktor kepastian (certainty factor ) menyatakan kepercayaan dalam sebuah kejadian (atau fakta atau hipotesis) berdasarkan bukti atau penilaian pakar (Turban, 2005). Certainty factor menggunakan suatu nilai untuk mengasumsikan derajat keyakinan seorang pakar terhadap suatu data. Certainty factor memperkenalkan konsep keyakinan dan ketidakyakinan yang kemudian diformulasikan ke dalam rumusan dasar.

  ” dengan akurasi pencarian nilai probabilitas tertinggi. Pada penelitian ini digunakan metode

  Weighted Product - Certainty Factor

  . Metode

  weighted product memerlukan proses

  normalisasi karena metode ini mengalikan hasil penilaian setiap atribut. Hasil perkalian tersebut belum bermakna jika belum dibandingkan (dibagi) dengan nilai standart. Metode weighted

  product menggunakan perkalian untuk

  Pada penelitian terkait dengan metode

  Weigthted Product adalah metode

  certainty factor ini pernah dilakukan oleh

  (Arienta Ramadhaniar, 2015) dengan judul “Implementasi Metode certainty factor pada Sistem Pakar Diagnosa Penyimpangan Tumbuh Ke mbang Anak.”. Metode certainty factor yang dilakukan pada penelitian tersebut digunakan pengolahan pengetahuan untuk mendapatkan kesimpulan berupa hasil diagnosa. Penelitian tersebut menghasilkan tingkat akurasi sebesar 93,3%. Berdasarkan latar belakang dan penelitian sebelumnya, penulis mengusulkan judul “Implementasi Metode Weight Product -

  Crtainty Factor Untuk Diagnosa Penyakit

  Malaria”. Penelitian ini akan memberi fasilitas informasi tentang diagnosa penyakit malaria berdasarkan gejala-gjala yang ada dengan penelitian ini diharapkan mampuh mempermudah proses diagnosa penyakit malaria.

  2. Landasan Kepustakaan

  2.1 Metode Weigthted Product

  memperkenalkan konsep keyakinan dan ketidakyakinan dalam sebuah kejadian berdasarkan bukti atau penilaian pakar. Certainty factor menggunakan nilai untuk mengasumsikan derajat keyakinan seorang dengan berpedoman dari tabel interpretasi (term) pakar terhadap suatu data. Secara garis besar certainty factor. Adapun tabel tersebut dapat dalam mendapatkan tingkat keyakinan CF dari dilihat pada Tabel 1. : sebuah aturan yaitu m etode ‘Net Belief’ yang

  Tabel 1. Tabel Interpretasi Certainy Factor

  diusulkan oleh E.H Shortlife dan B.G. Buchanan _akhir ditunjukkan pada persamaan 2.4. No. Certainty Term CF

  1. Pasti Tidak -1,0

  [2.4]

  CF [H, E] = MB[H, E] − MD[H, E]

  2. Hampir Pasti Tidak -0,8

  3. Kemungkinan Besar Tidak -0,6

  Keterangan:

  4. Mungkin Tidak -0,4

  CF[H,E] : certainty factor hipotesa yang

  5. Tidak Tahu/Tidak Yakin -0,2 - 0,2

  dipengaruhi oleh gejala (evidence)

  6. Mungkin 0,4

  E. Besarnya CF berkisar antara 0

  7. Kemungkinan Besar 0,6

  sampai 1. Nilai 0 menunjukkan

  8. Hampir Pasti 0,8

  ketidakpercayaan mutlak,

  9. Pasti 1,0

  sedangkan nilai 1 menunjukkan kepercayaan mutlak Proses penghitungan prosentase keyakinan MB[H,E] :measure of belief terhadap diawali dengan pemecahan sebuah kaidah (rule) hipotesa H, jika diberikan evidence yang memiliki gejala majemuk, menjadi kaidah- E (antara 0 dan 1) kaidah (rules) yang memiliki gejala tunggal. MD[H,E] :Measure of Disbelief (Nilai Kemudian masing-masing rule baru dihitung CF

  Ketidakpercayaan) terhadapa nya dengan memggunakan persamaan 2.3: hipotesa H yang jika diberikan

  CF gejala =CF[pengguna]*CF[pakar]

  evidence E Namun apabila terdapat lebih dari satu gejala, maka CF penyakit dihitung dengan

  Formula dasar digunakan apabila belum ada menggunakan persamaan 2.5: nilai CF untuk setiap gejala yang menyebabkan penyakit. Kombinasi certainty factor yang

  CF combine = CF old + CF gejala *(1- CF old )

  digunakan untuk mengdiagnosa penyakit adalah (Turban: 2005):

  a) Certainty Factor untuk kaidah dengan premis/gejala tunggal (single premis rules):

  2.3 Pengujian Akurasi

  Pengujian Akurasi merupakan seberapa dekat suatu angka hasil pengukuran terhadap

  CF gejala =CF[pengguna]*CF[pakar] [2.5]

  angka sebenarnya (true value atau reference

  b) Apabila terdapat kaidah dengan kesimpulan

  value ). Dalam penelitian ini pengujian akurasi

  yang serupa (similiary concluded rules) atau dilakukan untuk mengetahui performa dari lebih dari satu gejala, maka CF selanjutnya sistem dalam memberikan kesimpulan deteksi. dihitung dengan persamaan:

  Secara umum perhitungan akurasi seperti pada CF Combine digunakan jika gejala lebih Persamaan 2.8 (Bramer, 2007). dari satu gejala

  = ( + ) ( + )

• [2.8]

  CF combine = CF old + CF gejala *(1- CF old )

  [2.6] Keterangan :

  Keterangan: TP : Jumlah true positif.

  CF old = Merupakan nilai hasil dari TN : Jumlah true negatif. penjumlahan dari CF gejala 1 P : Jumlah record positif. dan CF gejala 2 N : Jumlah record negatif. CF gejala = Merupakan nilai bobot yang diberikan oleh pakar c)

  Sedangkan untuk menghitung persentase 3.

   PERANCANGAN

  terhadap penyakit, digunakan persamaan:

  3.1. Perancangan Sistem CF persentase = CF combane *100

  [2.7] Perancangan dilakukan meliputi tiga tahap,

  Untuk mengetahui presentase terhadap yaitu proses analisa kebutuhan perangkat, penyakit maka hasil dari CF combine dikalikan perancangan sistem pakar dan perancangan 100. Untuk menentukan keterangan faktor perangkat lunak. Pada tahap analisa kebutuhan keyakinan dari pakar, dilihat dari CFcombine perangkat terdiri atas diagnosa aktor, analisa kebutuhan masukan, analisa kebutuhan proses, dan analisa kebutuhan keluaran. Perancangan pada sistem pakar sendiri terdiri dari perancangan akuisisi, pengetahuan, basis pengetahuan, representasi pengetahuan, basis pengetahuan, mesin inferensi, blackboard, fasilitas penjelas, dan interface user. Model Tree dari perancangan sistem pakar dapat dilihat lebih jelasnya pada Gambar 1.

  Gambar 1. Pohon Perancangan

  13 Sistem menyediakan antarmuka logout Penggun

  Delete data gejala FO_

  10 Sistem mampu menghapus data malaria Pakar/A dmin

  Hapus data malari a

  FO_

  11 Sistem mampu menambahkan data malaria Pakar/A dmin Input data malari a FO_

  12 Sistem mampu melakukan perubahan data malaria Pakar/A dmin Updat e data malari a FO_

  a, Pakar/A dmin

  Edit data gejala FO_

  Logou t

  3.3 Akuisisi Pengetahuan

  Akuisisi pengetahuan merupakan akumulasi, transfer, dan transformasi keahlian dalam menyelesaikan masalah dari sumber pengetahuan kedalam komputer dan meletakkannya dalam basis pengetahuan dengan format tertentu. Bahan pengetahuan dapat diperoleh dengan beberapa cara, seperti dari buku internet, maupun pengetahuan yang berasal dari pakar. Pada penelitian ini proses akuisisi pengetahuan diperoleh dari buku , jurnal dan wawancara dengan pakar. Hasilnya diperoleh jenis penyakit malaria serta gejala-gejala yang pada penyakit malaria yang disebutkan pada Tabel 3 dan Tabel 4

  Tabel 3. Jenis Penyakit Malaria Kode Nama Penyakit PM001 Malaria Pernisiosia (Plasmodium Ovale) PM001 Malaria Tertiana (Plasmodium Vivax) PM001

  Malaria Tropica (Plasmodium Falciamalariam)

  PM001 Malaria Quartana (Plasmodium Malariae) Tabel 4. Gejala Penyakit Malaria

  Kode Gejala GM001 Demam tinggi (40 derajat) atau lebih GM002 Diare

  09 Sistem mampu menghapus data gejala Pakar/A dmin

  08 Sistem mampu mengedit data gejala Pakar/A dmin

3.2 Kebutuhan Fungsionalitas

  Penggun a Pakar/A dmin

  Tabel 2. Daftar Kebutuhan Fungsional

  ID Requirements Aktor Ketera ngan FO_

  01 Sistem mampu menampilkan informasi mengenai jenis-jenis penyakit malaria

  Penggun a Pakar/A dmin

  Lihat inform asi FO_

  02 Sistem menyediakan antarmuka registrasi untuk pengguna baru Penggun a Regist rasi FO_

  03 Sistem mampu melakukan Login (pengguna dan pakar)

  Tabel kebutuhan fungsional memiliki penjelasan kebutuhan yang harus disediakan oleh sistem, aktor yang berperan pada kebutuhan tersebut, serta nama proses yang menunjukkan fungsionalitasnya. Daftar kebutuhan fungsional terdapat pada table 2.

  FO_

  04 Sistem mampu menerima data gejala yang diinputkan oleh pengguna untuk proses diagnosa Penggun a Proses diagno sa

  F0_0

  5 Sistem mampu menampilkan hasil diagnosa penyakit malaria

  Penggun a Hasil diagno sa FO_

  06 Sistem mampu menyediakan antarmuka untuk memasukkan data gejala

  Pakar/A dmin Input data gejala FO_

  07 Sistem mampu melakukan perubahan data gejala Pakar/A dmin Updat e data gejala

  Login FO_

• – 1 jam AND muntah
• – muntah AND nadi cepat AND nafas cepat AND nyeri kepala AND nyeri otot AND syok (periode ini selama 2jam setelah
• – 1jam

   IMPLEMENTASI

  periode dingin) THEN Tropica R4

  GM003 Kepala sampai seluruh badan basah

  GM004 Kulit dingin

  GM005 Kulit kering GM006 Kulit menjadi merah GM007 Kulit panas dan kering (40 derajat) GM008 Lelah GM009 Lemah GM010 Menggigil GM011 Menggigil 15 menit

  GM012 Muntah-muntah GM013 Nadi cepat GM014 Nafas cepat GM015 Nyeri kepala GM016 Nyeri otot GM017 Pucat GM018 Sakit kepala GM019 Suhu meningkat (1jam pertama) GM020 Suhu turun GM021

  Syok (periode ini selama 2jam setelah periode dingin) GM022 Wajah memerah

  Bab ini membahas mengenai implementasi perangkat lunak berdasarkan hasil yang telah diperoleh dari analisis kebutuhan dan proses perancangan perangkat lunak yang telah dibuat.

  IF kulit dingin AND lelah AND lemah AND menggigil AND nadi cepat AND nyeri kepala AND suhu meningkat (1jam pertama) AND suhu turun THEN Quartana 4.

3.4 Basis Pengetahuan

• – muntah AND nadi cepat AND nyeri kepala AND nyeri otot AND sakit kepala AND suhu meningkat (1jam pertama)

  Pengujian akurasi dilakukan untuk mengetahui performa dari pemodelan sistem pakar untuk memberikan hasil diagnosa sistem dengan hasil dari pakar.

  35 5 100 %

  1

  1 Pengujian

  Akurasi

  Jumlah Data latih Hasil

  Tahap Pengujian Jumlah data uji

  No.

  Tabel 6. Skenario Pengujian.

  IF diare AND kulit menjadi merah AND lemah AND nyeri otot AND pucat AND sakit kepala AND wajah memerah THEN Tertiana

  R3

  Pada bab ini membahas mengenai proses pengujian sistem pakar diagnosa Penyakit Tanaman Jeruk yang telah dibangun. Proses pengujian yang dilakukan ialah pengujian akurasi. Pengujian akurasi digunakan untuk menguji tingkat akurasi antara perhitungan tes secara manual dengan perhitungan tes yang telah diimplementasikan menjadi sistem pakar.

  5. PENGUJIAN DAN ANALISIS

  Implementasi yang dibahas menggunakan bahasa pemrograman PHP dan menggunakan database PHPMyAdmin. Bahasa pemrograman PHP digunakan untuk membangun aplikasi. Database PHPMyAdmin digunakan untuk menyimpan data.

  Basis pengetahuan berisi tentang pengetahuan yang relevan yang diperlukan untuk memahami, merumuskan dan memecahkan persoalan Basis pengetahuan merupakan inti program dari sistem dimana basis pengetahuan merupakan representasi pengetahuan dari seorang pakar.

  Tabel 5. Tabel Aturan No Aturan (Rule) R1

  IF demam tinggi (40 derajat) atau lebih AND kepala sampai seluruh badan basah AND lemah AND menggigil AND muntah

  AND wajah memerah THEN Pernisiosia R2

  IF kulit dingin AND kulit kering AND kulit panas dan kering (40 derajat) AND lemah AND menggigil AND menggigil 15 menit

  5.1. Pengujian Akurasi

DAFTAR PUSTAKA

  Arienta Ramadhaniar, 2015. Implementasi Metode Certainty Factor pada Sistem Pakar Diagnosa Penyimpangan Tumbuh Kembang Anak. Universitas Brawijaya.

  2

  30 5 80 %

  3 Pengujian

  3

  25 5 80 %

  4 Pengujian

  4

  20 5 80 %

  5 Pengujian

  5

  15 5 80 %

5.2 Hasil Pengujian Akurasi

  Proses analisa dari pengujian akurasi sistem diagnosa penyakit malaria menggunakan metode weight product

  2 Pengujian

• – Certainty factor dilakukan berdasarkan percocokan hasil diagnosa dari pakar dengan hasil diagnosa sistem pada berdasarkan 40 data yang dengan 5 kali pengujian dengan variasi data latih dan data yang berbeda adala 66,4 %. Nilai persentase tersebut diperoleh dari rata
• – rata hasil dari 5 kali pengujian yang telah dilakukan.

  Arya, I Putu Gede. 2012. “ implementasi Metode Naive Bayes Dalam Penentuan Penyakit Malaria berbasis Android”. Sekolah TInggi Manajemen Informatika dan Teknik Komputer Bali.

  Bramer, M. 2007. “Principles of Data Mining: Undergraduate Topics in Computer.” Science. Springer-Verlag: London

6. KESIMPULAN 1.

  Fitrah Rumaisah, 2010. Sistem Pakar Diagnosa Awal Kanker Serviks Dengan Metode Certainty Factor. Universitas Widyatama. http://www.alodokter.com/malaria/penyebab,

  2015 Kementerian Kesehatan, 2012. “InfoDATIN:

  Pusat Data dan Informasi Kementerian Kesehatan RI". Jakarta

  Nur Anjas Sari, 2013. Sistem Pakar Mendiagnosa Penyakit Demam Berdarah Menggunakan Metode Certainty Factor.STMIK Budidarma Medan.

  Nur Arifah Syafitri, 2016. Penerapan metode Weighted Product dalam sistem pendukung keputusan pemilihan laptop berbasis web.

  Rika Rosnelli, 2011. Pengembangan Sistem Informasi Diagnosis Penyakit Tropis Menggunakan Algoritma Naive Bayesian.

  Universitas Gajah Mada. Yahya Kurniawan, ST, 2003. Aplikasi Web

  Database dengan PHP dan MySQL, Elex Media Komputendo.

  Sistem diagnosa penyakit malaria dibangun sebagai salah satu upaya bagi pengguna khususnya masyarakat untuk melakukan diagnosa terhadap penyakit malaria. Sistem ini dibangun dengan menggunakan metode Weighted Product - Certainty Factor. dengan cara menghitung nilai bobot setiap penyakit berdasarkan jurnal dan interpretasi pakar. Kemudian sistem akan memilih penyakit dengan nilai bobot terbesar, Sehingga menghasilkan persentase hasil akhir keluaran sistem

  2. Berdasarkan hasil pengujian validasi fungsionalitas sistem yang menunjukkan bahwa fungsionalitas sistem sebesar 100%. Pada tahap pengujian akurasi dilakukan melalui 5 tahapan skenario. Pada skenario 1 dengan data uji sebanyak 35 data dan data latih 5 mendapat nilai akurasi sebesar 100%. Pada skenario 2 dengan data uji sebanyak 30 data dan data latih 5 mendapat nilai akurasi sebesar 80%. Pada skenario 3 dengan data uji sebanyak 25 data dan data latih 5 mendapat nilai akurasi sebesar 80%. Pada skenario 4 dengan data uji sebanyak 20 data dan data latih 5 mendapat nilai akurasi sebesar 80%. Pada skenario 5 dengan data uji sebanyak 15 data dan data latih 5 mendapat nilai akurasi sebesar 80%. Berdasarkan pengujian dengan 5 variasi data latih dan data uji penyakit malaria yang berbeda didapatkan nilai rata-rata akurasi sebesar 84 %. Ketidakakurasian sistem pakar ini sebesar 16% dapat disebabkan oleh beberapa kemungkinan, yaitu subyektifitas pakar dalam pemberian nilai kepercayaan gejala penyakit dikarenakan keyakinan tiap pakar berbeda dan masukan data gejala fakta yang komplikasi dengan penyakit yang belum terdapat pada sistem.